基于多目标跟踪FANET 网络的UAV 协同通信算法研究*

陆渊章 谢海燕吉训生

(1.江苏信息职业技术学院电子信息工程学院，江苏 无锡 214153；2.伊利诺伊州立大学应用科学技术学院，美国 伊利诺伊州 61790；3.江南大学物联网工程学院，江苏 无锡 214000)

近年来，无人飞行器(unmanned aerial vehicles，UAV)得到快速发展，广泛用于医疗设备，环境监测和救援活动。多台无人机可以协同工作以完成复杂任务，缩短无人机通信时延和降低无人机功耗可以降低风险[1]。低空无人机通信具有便捷的部署和更低的成本，可以减少建筑物等障碍物的遮挡，获得更准确的传输效果[2-3]。而多无人飞行器的动态通信网络主要依赖于基础设施架构和飞行自组织网络(flying ad-hoc network，FANET)，主要由无人机群之间的以及无入机的无线访问网络构成[4]。

现阶段无线通信网络部署在无人机通信控制算法优化领域中已有大量研究，有的通过无人机中继基站对无人机同时进行无线信息和能量传输，联合多参量使通信容量最大化[5]。或者使用无线功率传输向用户充电，用户使用收集能量后向UAV 发送信息，提高通信容量[6]；还有的通过多跳路由数据包[7]或者无人机中继辅助通信[8]，实现广泛的信号覆盖范围。但由于在无人机飞行网络覆盖能力不足的情况下，传统的基础设施架构网络效率较低，FANET 高扩展性能够提升协同通信算法，优化网络性能，包括提高无线系统的容量以及通信速率，并降低电池能耗[9]。

本文针对无人机群协同通信提出了一种基于递归神经网络(recursive neural network，RNN) 的FANET 模型，通过对影响因素建模来研究动态不确定性。构建FANET 网络动态优化且稳定链路的移动性传播模型，基于自适应预测控制(adaptive predictive control，APC)算法和仿真实验数据，通过分析两个适用场景的无线电传播模型，比较基础架构模式和优化FANET 模式，获取对照组实验数据用于比较[10-11]。同时为了测试RNN-FANET 模型，比较了每种工作模式的最大传输速率、覆盖范围和能量消耗，将结果数据进行了比较，并证明了所提出的模型已使用通信参数进行优化。仿真结果表明，该模型在不同的传输数据速率下，通过确定无人飞行器的最佳覆盖区域，总功率将有所降低，最大程度地确保地面设备最大的吞吐量，提高了UAV 协作通信控制的准确性和灵敏度。

1 多UAV 协作无线通信系统模型

多UAV 群构建的通信区域中，与地面控制站建立的自组织无线网络，每个UAV 都充当接入网的接入点，并将地面移动设备连接到主干网[12]。由于高速飞行的无人飞行器视距通信链路不稳定性，通常会造成链路中断和通信失效。多无人机间的通信不可完全依赖于地面控制站或卫星等基础设施网络架构，而是将无人机作为网络节点，各节点间相互转发控制指令，自动组建FANET[13-14]。

由于FANET 中节点的位置，可以区分具有不同特征的两种类型的链接。存在连接两个飞行节点(U2U)的链接以及连接飞行UAV 和地面节点(U2G)的链接。FANET 使用无线通信框架在UAV 之间(U2U)或UAV 与地面设备(U2G)之间进行链接，图1显示了FANET 中用于无线通信的多个UAV 的情况，其中的虚线圆圈半径RC表示覆盖范围和设备数量。当将无人机作为FANET 中的中间节点时，飞行设备的姿态或高度会对无线连接的信号功率、网络覆盖范围造成影响。地面设备接收包括视线距离(line of sight，LoS)、非视线距离(non line of sight，NLoS)和多径衰落的多重反射分量信号[15-16]。主要考虑LoS 和NLoS 分量及其出现概率，多径衰落信号概率低可忽略，根据地面设备和UAV 之间的链接不同，设备处的接收信号功率如式(1)所示[17]。

图1 FANET 中多UAV 协作通信模型

式中:Pu是无人机的发射功率；Du是距离；αug是U2G 链路上的路径损耗指数；η是由于NLoS 产生的附加衰减因子；C，B为环境常数。根据用户和UAV 之间的不同连接，地面设备处的接收信号功率是对LoS 节点互连性存在主要影响的变量，LoS 测量控制FANET 的U2G 链路。如(2)所示视距连接的概率与建筑物的密度和高度，地面设备和无人机的位置以及设备和无人机之间的仰角θ有关[18]。

2 基于Ad-Hoc 网络无人机群协同通信算法

2.1 无人机群Ad-Hoc 网络协同通信参数优化

Ad-Hoc 网络的路由协议分为平面路由协议和分层路由协议。路由协议主要功能是将数据包从源选择路由传输到目标聚合节点。无人机群在构建网络时根据UAV 的位置信息估算预期的路由路径和无线介质的拥塞情况，根据分层路由协议确定路径损耗定期收集信息[19-20]。确定FANET 网络的路由协议参数通常使用多跳机制，该机制强调算法和数据结构的完整性。系统任务分层管理执行可以改进无线网络的局限性，对于分层网络聚类下的RNN，可将UAV 之间不同的模型组合和参数优化，确定路径预测模型的无线网络来评估覆盖区域和能源损耗。

对于使用仿真的理论研究，最大覆盖率和能耗是飞行自组织网络的重要参数，它与预测分析结合可确认低功耗环境下实际系统部署满足目标覆盖范围[21]。分层路由协议可用于路径损耗模型以预测信号功率。针对各种环境设置的路径损耗(path loss，PL)模型，作为不同测量活动的结果。式(3)描述了路径损耗模型[22]。

式中:M为路径损耗指数拟合参数；N为噪声功率。从通道数据中提取路径损耗，总发射功率结合(1)(2)得不同模型下平均覆盖率为[23]:

式中:Rc为覆盖区域半径；h为UAV 高度。由式(4)、式(5)可以看到增加无人机高度h可以提高视线距离概率和覆盖率。尽管增加UAV 高度会增加路径损耗项，为了提高覆盖性能，必须优化参数，增加Pu或减小Rc，相比在信道干扰忽略不计情况下，减低UAV 密度和地面设备发射功率得到最大覆盖率，当UAV 的接收信号占主导时，设备可获得的最大覆盖性能，如式(6)所示[24]。

2.2 基于RNN 协作通信算法

为了优化无人机无线通信系统容量和覆盖范围，降低能耗，构建基于RNN 协作通信算法，根据FANET 移动模型的各类干扰因素提供模拟预测。所有的无人机都应保持彼此之间的临时连接，减少接入网络和自组织网络的拥塞[25]。在空闲状态下以恒定比特率(constant bit rate，CBR)进行测量，使用传输流的RNN 定义n个输入变量:x1，x2，…，xn和r个输出变量:y1，y2，…，yr。第一层是输入层，每个节点都直接连接到输入向量的分量，n是输入维数；第二层是融合层，该层的节点函数是径向基函数，每个节点代表一个语气变量值[26]。如果隶属函数使用高斯函数:

式中:cij代表输入隶属度函数的中心，更改输入隶属度函数在全局分布位置；σij表示宽度值，并且可以更改输入隶属函数的形状；j表示包含输入变量的数量:

在第三层中，每个节点代表一个模糊规则，用于匹配该模糊规则的先决条件[24]。使用推理计算每个规则的适用性，然后实施归一化计算:

最后对中心计算，其中不仅是递归神经网络的连接权重，还包括隶属函数的中心值[25]:

根据以上理论，无人飞行器在指定区域内按照预先计划的路线搜索中低速飞行。在整个过程中，网络中无人机节点之间的相对运动速度非常小。无人机网络的拓扑基本稳定，考虑到外部任务到达率的时变特性，不同的无人机需要计算每个节点的功耗和覆盖范围[26]。该方法主要是与其最近的邻节点进行通信，将所有位置信息共享给相邻节点，并考虑相邻节点的成本最小值[27]。每个节点i只能根据其邻节点提供的信息来降低其自身目标函数的成本，ρi表示无人机覆盖范围。

算法描述如下[28]:

第一步:设置计时器中断Tc，如果无人机广播帮助消息(broadcast help information，BHI)时间小于Tc，追踪前一个dvi；

第二步:否则广播帮助消息所有节点，等待Tw秒，一旦超过设置时间，BHI 重新启动，直到计算出最新的功耗值为止；

第三步:如果相邻无人机的平均MPU 利用率小于设置的阈值，则更新dvi

第四步:再次广播帮助消息，重新追踪前个dvi；

第五步:重复以上步骤。

3 实验仿真结果分析

实验在配备QuarkTMSoCX1000(16K 高速缓存，400 MHz)处理器的英特尔®Galileo 主板上进行的，并在Arduino 下进行了模拟飞行测试。无人机机动模型及测试设备如图2 所示。无人机飞行测试包括算法任务仿真，无人机功率仿真和通信链路仿真。为了便于实验，假设所有UAV 资源信息的剩余能量、实时MPU 负载等均可用，电池功率均匀分布[29]。在三个维度上的随机位置生成目标，以随机但恒定速率调整无人机的协作通信覆盖范围。

图2 无人机机动模型及测试设备

图3 和图4 表述不同流量数据包下电流消耗随时间变化特性。图5 和6 显示不同高度条件下覆盖率变化趋势。图中测试持续时间从空闲状态开始，仿真结果表明优化FANET 模式消耗的电流少于基础架构模式，在覆盖率方面也具有较好性能。优化FANET 在两种模式之间的数据速率和覆盖范围方面均优于基础架构模式。如表1 所示，在效率恒定的情况下，性能和能耗几乎是线性的，当UAV 的能量消耗率小于多UAV 通信网络的计算值，考虑通过增加某些能量消耗来提高性能和效率。

图3 基础设施模式电流消耗

图4 优化FANET 模式电流消耗

图5 优化FANET 覆盖率

图6 基础设施模式覆盖率

表1 不同模式总体优化性能比较

4 结论

本文主要研究了地面设备与无人机之间在不同模式下协同通信算法。该方法的主要贡献在于，针对无人机群协同通信提出了一种采用RNN 的FANET 模型的构建，通过对影响因素建模来研究动态不确定性。构建FANET 网络满足动态且稳定链路优化要求以及移动性传播的模型，对FANET 通信系统的容量、覆盖范围和能源功耗几个关键因素分析[30]。仿真结果表明，在不同的传输数据速率下，该模型通过确定无人飞行器的最佳覆盖区域，总所需的功率将有所降低，最大程度地确保地面设备的最大吞吐量，提高UAV 协作通信控制的准确性和灵敏度。在未来的研究中，计划将该算法应用于无人机的复杂动态场景分析。